公开(公告)号：CN110376879B

公开(公告)日：2022-05-10

申请号：CN201910757702.7

申请日：2019-08-16

Applicant: 哈尔滨工业大学(深圳)

Inventor： 常明方 ,  吴爱国

IPC: G05B11/42

Abstract: 本发明提出了一种基于神经网络的PID型迭代学习控制方法，属于控制科学与工程领域。对于一般的非线性差分系统，作者首先给出了一种迭代学习PID控制器，然后利用三个RBF神经网络对PID控制器中的动态参数进行拟合。根据梯度下降法对神经网络的权值进行估计并得出神经网络权值更新表达式。由于受控系统的精确模型比较复杂或者是未知的，我们无法求得神经网络权值估计表达式中系统伪偏导数(PPD)的真值，我们用其估计值来进行数值代替。这样就生了一个可以运行的非线性迭代学习控制算法。最后，举例说明了本算法在非线性系统和抓放机器人系统当中的数值仿真是有效的。因此这个算法可应用到一般的(未知的)非线性差分系统当中去。

公开(公告)号：CN110376879A

公开(公告)日：2019-10-25

申请号：CN201910757702.7

申请日：2019-08-16

Applicant: 哈尔滨工业大学(深圳)

Inventor： 常明方 ,  吴爱国

IPC: G05B11/42

Abstract: 本发明提出了一种基于神经网络的PID型迭代学习控制方法，属于控制科学与工程领域。对于一般的非线性差分系统，作者首先给出了一种迭代学习PID控制器，然后利用三个RBF神经网络对PID控制器中的动态参数进行拟合。根据梯度下降法对神经网络的权值进行估计并得出神经网络权值更新表达式。由于受控系统的精确模型比较复杂或者是未知的，我们无法求得神经网络权值估计表达式中系统伪偏导数(PPD)的真值，我们用其估计值来进行数值代替。这样就生了一个可以运行的非线性迭代学习控制算法。最后，举例说明了本算法在非线性系统和抓放机器人系统当中的数值仿真是有效的。因此这个算法可应用到一般的(未知的)非线性差分系统当中去。

公开(公告)号：CN110376901A

公开(公告)日：2019-10-25

申请号：CN201910763196.2

申请日：2019-08-19

Applicant: 哈尔滨工业大学(深圳)

Inventor： 常明方 ,  吴爱国

IPC: G05B13/04

Abstract: 本发明提出了一种基于动态控制器的迭代学习控制方法，属于控制科学与工程领域。对于一般的非线性差分系统，作者首先给出了一种迭代学习动态控制器的构造方法，然后根据梯度下降法对控制器动态增益进行估计并得出动态增益估计表达式。由于受控系统的精确模型比较复杂或者是未知的，我们无法求得控制器动态增益估计表达式中系统伪偏导数(PPD)的真实值，我们提取伪梯度(PG)估计表达式当中PPD的估计值进行数值代替。这样就生了一个可以运行的无模型迭代学习控制算法。最后，举例说明了本算法在非线性系统和抓放机器人系统当中的数值仿真是有效的。因此这个算法可应用到一般的(未知的)非线性差分系统当中去。

公开(公告)号：CN110376901B

公开(公告)日：2022-09-02

申请号：CN201910763196.2

申请日：2019-08-19

Applicant: 哈尔滨工业大学(深圳)

Inventor： 常明方 ,  吴爱国

IPC: G05B13/04

Abstract: 本发明提出了一种基于动态控制器的迭代学习控制方法，属于控制科学与工程领域。对于一般的非线性差分系统，作者首先给出了一种迭代学习动态控制器的构造方法，然后根据梯度下降法对控制器动态增益进行估计并得出动态增益估计表达式。由于受控系统的精确模型比较复杂或者是未知的，我们无法求得控制器动态增益估计表达式中系统伪偏导数(PPD)的真实值，我们提取伪梯度(PG)估计表达式当中PPD的估计值进行数值代替。这样就生了一个可以运行的无模型迭代学习控制算法。最后，举例说明了本算法在非线性系统和抓放机器人系统当中的数值仿真是有效的。因此这个算法可应用到一般的(未知的)非线性差分系统当中去。